买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中汽研汽车检验中心(常州)有限公司申请的专利智能驾驶汽车前照灯性能动态测试方法、设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119104275B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411589705.1，技术领域涉及：G01M11/06；该发明授权智能驾驶汽车前照灯性能动态测试方法、设备及存储介质是由黄浩;田涌君;施磊;包俊江;李彬;肖涵;周天阔;顾国微设计研发完成，并于2024-11-08向国家知识产权局提交的专利申请。

本智能驾驶汽车前照灯性能动态测试方法、设备及存储介质在说明书摘要公布了：本发明的一种智能驾驶汽车前照灯性能动态测试方法、设备及存储介质，包括以下步骤，S1、获取动态测试数据并进行数据处理及特征提取；S2、结合混合神经网络模型结构与特征金字塔网络构建测试模型；S3、使用步骤S1处理后的数据对步骤S2的模型进行训练并调试；S4、最后对步骤S3训练后的模型进行性能测评与验证并用于对智能驾驶汽车前照灯性能进行动态测试。本发明在智能驾驶汽车领域，引入前照灯性能动态测试系统及方法，相较于传统的静态测试，显著提升了测试结果与实际驾驶情境的契合度与全面性。这一创新不仅深刻影响了智能驾驶汽车的安全性与用户体验，还推动了整个汽车行业照明技术的智能化与标准化进程。

本发明授权智能驾驶汽车前照灯性能动态测试方法、设备及存储介质在权利要求书中公布了：1.一种智能驾驶汽车前照灯性能动态测试方法，其特征在于，包括以下步骤，S1、获取动态测试数据并进行数据处理及特征提取；S2、结合混合神经网络模型结构与特征金字塔网络构建测试模型；S3、使用步骤S1处理后的数据对步骤S2的模型进行训练并调试；S4、最后对步骤S3训练后的模型进行性能测评与验证并用于对智能驾驶汽车前照灯性能进行动态测试；其中，S1中动态测试数据包括不同速度、不同目标物接近角度、不同道路条件及交通场景下的光照强度信息；步骤S2中模型构建包括采用混合神经网络模型结构，将深度可分离卷积与特征金字塔网络集成到卷积神经网络中，具体包括，S21、深度卷积即对每个输入通道独立应用一个卷积核，不混合通道信息；对于输入特征图，高度H，宽度W，通道数，深度卷积应用个卷积核，每个卷积核仅作用于对应的输入通道；输出特征图的每个通道c由以下公式计算： 其中k是卷积核大小；是作用于第c个输入通道的卷积核，σ是激活函数，表示输入特征图第c个通道在位置x,y的值；S22、逐点卷积即使用1x1的卷积核来混合深度卷积的输出，生成新的特征图；逐点卷积使用1×1的卷积核来混合深度卷积的输出通道；输出特征图的每个位置x,y,c′由以下公式计算： 其中，是逐点卷积的权重矩阵，是深度卷积输出特征图在位置x,y、通道c的值；步骤S2中模型构建还包括使用特征金字塔网络FPN，在卷积神经网络CNN的深层引入特征金字塔网络FPN结构，通过自上而下的路径和横向连接将高层语义信息与低层细节信息融合，生成多尺度特征图，具体如下：S231、自底向上的路径：这是卷积神经网络的前向传播过程，每一层都会生成不同尺度的特征图，这些特征图随着网络深度的增加而逐渐减小尺寸但语义信息更加丰富；S232、自上而下的路径：通过上采样，即将上采样到与相同的空间尺寸，得到；将高层特征图的空间分辨率放大，使其与低层的特征图尺寸相匹配；S233、横向连接：将上采样后的高层特征图与对应尺寸的低层特征图通过逐元素相加或其他融合方式进行合并；这种合并不仅保留了低层的细节信息，还融入了高层的语义信息，生成了增强的多尺度特征图；即横向连接具体将与通过设定方式融合得到融合后的特征图；S234、特征表示：通过集成过程，得到了一系列融合后的多尺度特征图，这些特征图表示为,,…,，其中N是FPN中参与融合的层数；每个都包含了从高层到低层的丰富信息，既有低层的精细空间细节，也有高层的抽象语义信息；这些特征图表示为其中分别是特征图的高度、宽度和通道数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中汽研汽车检验中心(常州)有限公司，其通讯地址为：213000 江苏省常州市武进国家高新区海湖路97号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。